Erklärbarkeit von KI-Modellen

Erklärbarkeit von KI-Modellen#

Mit Künstlicher Intelligenz (KI) beschäftigen sich Informatikerinnen und Informatiker bereits seit 1955. Die Mehrheit der Bevölkerung in Deutschland hat jedoch erst mit der Veröffentlichung von ChatGPT im November 2022 erstmals bewusst ein KI-System genutzt. Seitdem findet eine überfällige Diskussion statt, wie wir als Gesellschaft zukünftig mit KI-Anwendungen umgehen sollen. Eine besondere Herausforderung in diesem Kontext ist die Erklärbarkeit von KI-Modellen, also die Nachvollziehbarkeit, wie KI-Systeme ihre Prognosen und Entscheidungen treffen. Die Herausforderung besteht besonders bei komplexen Modellen wie tiefen neuronalen Netzen, deren Struktur und Entscheidungslogik für Menschen oft schwer nachvollziehbar sind.

Lernziele#

Lernziele

  • Sie verstehen, warum Erklärbarkeit von KI-Modellen gesellschaftlich relevant ist.

  • Sie kennen die Begriffe White-Box-Modell und Black-Box-Modell.

  • Sie können die Funktionsweise des Erklärungsmodells LIME (Local Interpretable Model-Agnostic Explanations) beschreiben und an einem einfachen Beispiel anwenden.

  • Sie können Erklärungswerkzeuge unterscheiden nach

    1. Komplexität (intrinsische Modelle oder Post-hoc-Methoden),

    2. Umfang (global oder lokal) und

    3. Modellabhängigkeit (modellspezifisch oder modellagnostisch).

Warum brauchen wir erklärbare KI-Modelle?#

Neuronale Netze, insbesondere mehrschichtige neuronale Netze im Deep Learning, haben in den letzten Jahren zu einem enormen Anstieg bei der Anwendung von KI-Systemen geführt. Laut einer Studie von NextMSC wird sich der weltweite Umsatz von KI (einschließlich Anwendungen, Infrastruktur sowie IT- und Unternehmensdienstleistungen) bis zum Jahr 2030 verzwanzigfachen. Dennoch zögern deutsche Unternehmen noch, KI-Systeme umfassend einzusetzen, wie der Bericht Statista → KI Perspektive der deutschen Wirtschaft zeigt. Viele Unternehmen zweifeln an der Qualität der verfügbaren Daten für das Training der KI-Systeme und stufen die mangelnde Transparenz der KI-Entscheidungen als Risiko ein. Ohne Vertrauen in die Vorhersagefähigkeiten der KI bleiben sie daher vorsichtig bei der Einführung solcher Systeme.

Selbst für Fachleute bleiben manche KI-Modelle wie beispielsweise die tiefen neuronalen Netze intransparent. Hier setzen erklärbare KI-Modelle an: Sie sollen das Vertrauen in die Entscheidungen der Systeme stärken und nachvollziehbare Einblicke in die Entscheidungslogik der KI ermöglichen.

Anwendungsbeispiel: das Schuheinlagen-Orakel#

Anhand eines fiktiven Anwendungsbeispiels aus der Produktion erarbeiten wir uns das Thema Erklärbarkeit von KI-Modellen. Angenommen, eine Firma stellt personalisierte Schuheinlagen her. Dabei sollen die Einlagen sowohl an die Geometrie des Fußes angepasst werden als auch an die Druckbelastungen des Fußes beim Gehen. Sowohl Geometrie als auch Druckbelastungen werden digital erfasst, und basierend auf den Messungen wird die Schuheinlage in einzelne Belastungszonen eingeteilt und in 3D gedruckt. Zwar ist die Firma in diesem Beispiel fiktiv, ein Prototyp dieses Prozesses existiert jedoch bereits (siehe [1]) und könnte so tatsächlich in naher Zukunft von einem Start-Up umgesetzt werden.

Beim 3D-Druck gibt es Zielkonflikte. Einerseits soll möglichst wenig Material eingesetzt werden, andererseits muss die gedruckte Struktur dennoch die Belastung aushalten, die für diese Belastungszone vorgesehen ist. Zur Unterstützung der Entwicklung der personalisierten Schuheinlage gibt es ein KI-Modell, das die maximale Kraft (in Newton) prognostiziert, mit der eine 3D-gedruckte Gitterstruktur belastet werden kann. Aus diesen 3D-Bauteilen werden dann die Schuheinlagen zusammengesetzt.

Spaßeshalber nennen wir dieses KI-Modell Schuheinlagen-Orakel.

ki_modell = SchuheinlagenOrakel()

Als nächstes benutzen wir die eingebaute Hilfe des KI-Systems, um mehr über das Schuheinlagen-Orakel zu erfahren.

help(ki_modell)

Help on SchuheinlagenOrakel in module __main__ object:

class SchuheinlagenOrakel(builtins.object)
 |  Dies ist das Schuheinlagen-Orakel. Das Orakel ist ein KI-System,
 |  das die Produktion von personalisierten Schuheinlagen unterstützt.
 |  Die einzige Methode, die das KI-System zur Verfügung stellt, ist die
 |  Prognose .predict(). Mehr Details: help(modell.predict)
 |
 |  Beispiel:
 |
 |  import pandas as pd
 |
 |  bauteile = pd.DataFrame({
 |      'Zellenform': [1, 1],
 |      'Zellengroesse': [3.0, 3.3],
 |      'Fuellgrad': [0.3, 0.38]
 |  })
 |  maximale_kraft = modell.predict(X)
 |
 |  Methods defined here:
 |
 |  __init__(self)
 |
 |  predict(self, X)
 |      Prognostiziert die maximale Kraft, die von dem Bauteil aufgenommen werden kann.
 |
 |      Argument X:
 |          Pandas DataFrame: Beschreibung der Eigenschaften des Bauteils.
 |
 |          Die Spalten des Pandas DataFrames beinhalten
 |          * 'Zellenform': Integer 1 für X-Zelle und 2 für Gyroid
 |          * 'Zellengroesse': Float im Intervall [2, 10] in Millimetern
 |          * 'Fuellgrad': Float im Intervall [0.1, 0.45]
 |
 |      Rückgabewert:
 |          float: prognostizierte maximale Kraft in Newton
 |
 |  ----------------------------------------------------------------------
 |  Data descriptors defined here:
 |
 |  __dict__
 |      dictionary for instance variables
 |
 |  __weakref__
 |      list of weak references to the object

Die Hilfe gibt Auskunft darüber, wie das Schuheinlagen-Orakel verwendet werden kann. Das KI-Modell liefert Prognosen zur maximalen Kraft, die ein Bauteil aushalten kann, basierend auf den Eingabemerkmalen Zellenform, Zellengröße und Füllgrad. Die Messung der maximalen Kraft wird dabei durch die Be- und Entlastung des Bauteils bestimmt.

Video der Be- und Entlastungsmessung

Fig. 1 Video der Be- und Entlastungsmessung eines Bauteils (Quelle: Tim Schwitzner [2]).#

Laut Dokumentation ist die Zellenform entweder 1 für eine X-Zelle oder 2 für einen Gyroiden. Was sich hinter diesen Fachbegriffen verbirgt, können nur die Ingenieure beantworten, die diesen Produktionsprozess entwickelt haben (siehe Abbildung 1).

Zellenform der Bauteile

Fig. 2 Zellenform der Bauteile: links X-Zelle codiert als 1 und rechts Gyroid codiert als 2
(Quelle: Tim Schwitzner [2]).#

Darüber hinaus muss die Zellengröße zwischen \(\pu{2 mm}\) und \(\pu{10 mm}\) liegen. Der Füllgrad liegt zwischen \(\pu{20 \%}\) und \(\pu{45 \%}\), wobei dieser Prozentwert als Fließkommazahl (Float) im Intervall \([0.2,0.45]\) angegeben wird.

Um mit dem KI-Modell vertraut zu werden, lassen wir eine Prognose erstellen. Wir nutzen das Modul Pandas zur Verwaltung der Daten und importieren es daher in einem ersten Schritt mit seiner üblichen Abkürzung pd. Als nächstes definieren wir ein Bauteil. Dazu verwenden wir einen Pandas-DataFrame als Datenstruktur, der durch ein Dictionary initialisiert wird. Die Schlüssel des Dictionaries sind die Merkmale 'Zellenform', 'Zellengroesse' und 'Fuellgrad'. Die Werte sind Listen mit den entsprechenden Eigenschaften der 3D-gedruckten Bauteile. Auch wenn nur ein Bauteil betrachtet wird, ist eine Liste aufgrund der Syntax erforderlich. Zuletzt lassen wir uns die initialisierte Datenstruktur mit der Pandas-Methode .head() anzeigen.

import pandas as pd 

bauteil = pd.DataFrame({
    'Zellenform': [1],
    'Zellengroesse': [3.0],
    'Fuellgrad': [0.3]
})

bauteil.head()
Zellenform Zellengroesse Fuellgrad
0 1 3.0 0.3

Nun können wir die predict()-Methode nutzen, um die maximale Kraft prognostizieren zu lassen. Wir speichern das Ergebnis in der Variablen maximale_kraft.

maximale_kraft = ki_modell.predict(bauteil)
print(maximale_kraft)

[42.335805]

Das Bauteil hält eine maximale Kraft von \(\pu{42.3 N}\) aus.

Obwohl das Schuheinlagen-Orakel eine Prognose liefert, bleibt das System für uns eine Black Box. Die innere Struktur des KI-Modells ist nicht transparent; wir wissen nicht, wie das KI-Modell zu seiner Prognose gekommen ist.

Ist ein solches Szenario realistisch? Tatsächlich kommen solche Szenarien häufiger vor als erwünscht. Verlassen beispielsweise Wissensträger ein Unternehmen, ist es oft nicht möglich, ihre Expertise ausreichend für die nachfolgenden Mitarbeiterinnen und Mitarbeiter zu dokumentieren. Aber auch die zunehmend komplexeren KI-Modelle sind für uns Menschen undurchsichtig. Auch können die Eingabedaten für ein KI-Modell so stark weiterverarbeitet worden sein, dass auch die Eingabedaten selbst nicht mehr für uns Menschen nachvollziehbar sind. Ist ein KI-Modell undurchsichtig oder sind die Eingangsdaten nicht nachvollziehbar, wird das KI-Modell als Black-Box-Modell bezeichnet.

Was ist … ein Black-Box-Modell?

Ein KI-Modell wird als Black-Box-Modell bezeichnet, wenn es keine transparente Entscheidungslogik besitzt oder die Eingangsdaten nicht nachvollziehbar sind.

Das Gegenteil eines Black-Box-Modells ist das sogenannte White-Box-Modell. Es ist im Kontext der erklärbaren KI folgendermaßen definiert.

Was ist … ein White-Box-Modell?

Ein KI-Modell wird als White-Box-Modell bezeichnet, wenn seine Entscheidungslogik transparent ist und es nachvollziehbare Eingangsdaten besitzt.

Das LIME-Modell#

Kehren wir zurück zu dem fiktiven Anwendungsbeispiel und stellen uns vor, die Entwickler des Schuheinlagen-Orakels haben das Unternehmen verlassen. Die Konstruktionsabteilung möchte nun verstehen, warum für ein 3D-gedrucktes Bauteil mit der Zellenform X-Zelle, einer Zellengröße von \(\pu{3 mm}\) und einem Füllgrad von \(\pu{30 \%}\) eine maximale Kraft von \(\pu{42.3 N}\) prognostiziert wird. Um ein KI-Modell erklärbar zu machen, gibt es verschiedene Ansätze. Ein häufig verwendetes Verfahren ist LIME. LIME ist ein Akronym und steht für

Local Interpretable Model-agnostic Explanations.

Lokal bedeutet, dass eine Erklärung für ein einzelnes Beispiel gesucht wird. Gleichzeitig soll das LIME-Modell interpretierbar sein, also ein White-Box-Modell darstellen. Modellagnostisch bedeutet, dass die LIME-Methode unabhängig von der Struktur des zugrunde liegenden KI-Modells funktioniert und für verschiedene KI-Modelle eingesetzt werden kann.

Wie funktioniert die LIME-Methode?

  1. Variation der Daten: Für ein ausgewähltes Beispiel, die sogenannte Referenz, erzeugen wir abgewandelte Varianten der Eingabedaten mit kleinen Änderungen im Vergleich zum Referenzbeispiel.

  2. Berechnung der Prognosen: Für jede dieser leicht abgeänderten Eingabedaten berechnen wir mit dem ursprünglichen KI-Modell eine Prognose.

  3. Gewichtung der Eingabedaten: Die abgeänderten Eingabedaten werden gewichtet. Je ähnlicher eine Datenpunkt zur Referenz ist, desto höher ist das Gewicht.

  4. Training eines Ersatzmodells: Wir trainieren ein einfaches, gut interpretierbares Ersatzmodell (z.B. ein lineares Regressionsmodell oder einen Entscheidungsbaum) auf den gewichteten, leicht abgeänderten Eingabedaten. Die Prognosen des ursprünglichen Modells sind dabei die Ausgabedaten.

  5. Erklärung der Prognose: Da das Ersatzmodell aus Schritt 4 ein White-Box-Modell ist, können wir es nun benutzen, um das Black-Box-KI-Modell lokal zu erklären.

Obwohl für das LIME-Modell, das erstmals 2016 vorgestellt wurde [3], ein Python-Modul namens lime existiert, erstellen wir das LIME-Modell hier Schritt für Schritt von Grund auf, um die Funktionsweise besser zu verstehen.

Schritt 1: Variation der Daten#

Als erstes ändern wir die Merkmale des ausgewählten Referenzbeispiels leicht ab. Da es nur zwei mögliche Zellenformen gibt, können wir diese nicht “leicht” variieren. Daher belassen wir es bei der Zellenform X-Zelle und generieren eine Liste mit N Einsen. Etwas einfacher wird es, wenn wir dazu die Funktion np.ones() des Moduls NumPy nutzen, das wir mit der üblichen Abkürzung np importieren.

# !pip install numpy
import numpy as np

N = 100
variation_zellenform = np.ones(N)

Anschließend möchten wir die Zellengröße und den Füllgrad leicht variieren. Dafür verwenden wir Zufallszahlen. Aus didaktischen Gründen fixieren wir den Seed der Zufallszahlen auf 42 mit np.random.seed(42). Dann ziehen wir mit der Funktion np.random.normal() normalverteilte Zufallszahlen (mit Mittelwert 0 und Standardabweichung 0.1) und addieren diese Zufallszahlen zur Zellengröße 3 und zum Füllgrad 0.3:

np.random.seed(42) 

variation_zellengroesse = 3.0 + np.random.normal(0, 0.5, N)
variation_fuellgrad = 0.3 + np.random.normal(0, 0.05, N)

Wir überprüfen visuell mit einem Streudiagramm (Scatterplot), ob die variierten Eingabedaten im zulässigen Bereich liegen. Die Zellengröße muss ja zwischen 2 und 10 mm liegen, der Füllgrad im Intervall [0.2,0.45]. Dazu importieren wir das Modul Plotly Express als px. Der Scatterplot wird durch die Funktion scatter() erzeugt. Auf der x-Achse tragen wir mit x=variation_zellengroesse die Zellengrößen ein und auf der y-Achse mit y=variation_fuellgrad die Füllgrade der variierten Bauteile. Zusätzlich setzen wir mit dem optionalen Argument title= noch einen Titel. Zuletzt ergänzen wir noch das Referenzbeispiel durch einen zweiten Scatterplot mit add_scatter(). Insgesamt fixieren wir den Ausschnitt für die x-Achse auf [1.5, 4.5] und für die y-Achse auf [0.15, 0.45] mit fig.update_layout(xaxis_range=[1.5, 4.5], yaxis_range=[0.15,0.45]), damit das Referenzbeispiel im Zentrum des Diagramms liegt.

# !pip install plotly
import plotly.express as px 

fig = px.scatter(x=variation_zellengroesse, y=variation_fuellgrad,
    title='Variierte Eingabedaten um ausgewähltes Referenzbeispiel (3, 0.3)'
)
fig.add_scatter(x=[3.0], y=[0.3], name='Referenz')
fig.update_layout(xaxis_range=[1.5, 4.5], yaxis_range=[0.15,0.45])

fig.show()

Auf diese Weise erhalten wir die variierten Eingabedaten, die wir anschließend in einem Pandas-DataFrame zusammenfassen:

eingabedaten = pd.DataFrame({
    'Zellenform': variation_zellenform,
    'Zellengroesse': variation_zellengroesse,
    'Fuellgrad': variation_fuellgrad
})

Schritt 2: Berechnung der Prognosen#

Die Prognosen des ursprünglichen KI-Modells lassen sich einfach mit der predict()-Methode berechnen.

ausgabedaten = ki_modell.predict(eingabedaten)

Schritt 3: Gewichtung der Eingabedaten#

Für das LIME-Verfahren ist es wichtig, dass die variierte Eingabedaten gewichtet werden. Je ähnlicher ein Datenpunkt zum ausgewählten Beispiel ist, desto mehr Gewicht soll dieser Datenpunkt beim Training des Ersatzmodells haben. In diesem Beispiel verwenden wir den euklidischen Abstand, um die Ähnlichkeit der Eingabedaten zur Referenz zu berechnen.

Euklidischer Abstand zur Referenz

Fig. 3 Der euklidische Abstand \(r\) zur Referenz kann mit dem Satz des Pythagoras als \(r=\sqrt{(\Delta x)^2 + (\Delta y)^2}\) berechnet werden. (Quelle: eigene Darstellung)#

Damit ergibt sich der folgende Python-Code zur Berechnung der Abstände.

abstaende = ((eingabedaten['Zellengroesse'] - 3.0)**2 + (eingabedaten['Fuellgrad'] - 0.3)**2)**0.5

Wie die Gewichte nun basierend auf der Ähnlichkeit der Eingabedaten zur Referenz gewählt werden, wird in der Forschung intensiv diskutiert. Häufig werden exponentielle Gewichte gewählt. Wir nehmen hier Gewichte, die linear vom Abstand der Eingabedaten zur Referenz abhängen. Das Gewicht soll 1 sein, wenn der Abstand zum ausgewählten Beispiel 0 ist. Ein schneller Check der gestörten Eingabedaten zeigt, dass der maximale Abstand der Eingabedaten zum Referenzbeispiel kleiner als 1.5 ist. Für einen Abstand von 1.5 fordern wir ein Gewicht von 0. Dazwischen sollen die Gewichte linear abfallen.

Gewichtsfunktionen

Fig. 4 Mögliche Gewichtsfunktionen: links eine lineare Gewichtsfunktion, die so parametriert wurde, dass ein Abstand \(r=0\) zu einem Gewicht von Eins führt und ab \(r=1.5\) Null ist. Die rechte exponentielle Gewichtsfunktion ist ähnlich zur linearen Gewichtsfunktion, bietet aber den zusätzlichen Vorteil, differenzierbar zu sein. (Quelle: eigene Darstellung)#

Mit dem folgenden Code implementieren wir die lineare Gewichtsfunktion.

gewichte = -2/3 * abstaende + 1

Schritt 4: Training eines Ersatzmodells#

Häufig wird ein lineares Regressionsmodell oder ein Entscheidungsbaum verwendet, um ein lokal interpretierbares Modell zu erzeugen, dass das ursprüngliche KI-Modell erklärt. Wir werfen mit Hilfe eines Streudiagramms (Scatterplot) einen kurzen Blick auf die variierten Eingabedaten und die vom KI-Modell prognostizierten Ausgabedaten (maximale Kräfte). Auf der x-Achse tragen wir die Zellengrößen ein und auf der y-Achse die Füllgrade der variierten Bauteile. Durch die Farbe kennzeichen wir die prognostizierten maximalen Kräfte.

fig = px.scatter( eingabedaten, x='Zellengroesse', y='Fuellgrad', color=ausgabedaten,
    title='Variierte Eingabedaten und dazugehörige Prognosen', 
    labels={'color': 'maximale Kraft [N]'}
)
fig.update_layout(xaxis_range=[1.5, 4.5], yaxis_range=[0.15,0.45])

fig.show()

Scheinbar ist vor allem der Füllgrad entscheidend für die Prognose der maximalen Kraft. Wir visualisieren daher die Prognosen der maximalen Kräfte abhängig vom Füllgrad.

fig = px.scatter(eingabedaten, x='Fuellgrad', y=ausgabedaten,
    title='Prognostizierte maximale Kraft abhängig vom Füllgrad', 
    labels={'y': 'maximale Kraft[N]'}
)

fig.show()

Wir wählen als White-Box-Modell ein lineares Regressionsmodell, das lokal eine gut interpretierbare Erklärung liefern soll. Dabei beschränken wir uns zunächst auf den Füllgrad als Ursache \(x\) und die maximale Kraft (in Newton) als Wirkung \(y\). Wir suchen also Parameter \(w\) (Steigung) und \(b\) (y-Achsenabschnitt), so dass die lineare Funktion

\[y = w\cdot x + b\]

möglichst gut die Punkte trifft. Wie gut die maximalen Kräfte basierend auf dem Füllgrad durch die Gerade angenähert werden, bewertet das sogenannte R²-Bestimmtheitsmaß (siehe Wikipedia → Bestimmtheitsmaß). Normalerweise liegt das R²-Bestimmtheitsmaß zwischen 0 und 1, wobei ein Wert von Eins perfekt wäre, aber es kann auch negativ werden.

Interaktive Bestimmung des linearen Regressionsmodells

Probieren Sie aus, für welche Steigung \(w\) und für welchen y-Achsenabschnitt \(b\) die lineare Regressionsgerade am besten die Datenpunkte annähert. Das R²-Bestimmtheitsmaß wird dabei im Titel angezeigt und sollte möglichst nahe 1 sein.

Lineare Regressionsmodelle sind nicht darauf beschränkt, nur ein Merkmal als Ursache zu betrachten. Wir können auch ein sogenanntes multiples lineares Regressionsmodell benutzen, bei dem die drei Merkmale Zellenform \(x_0\), Zellengröße \(x_1\) und Füllgrad \(x_2\) linear kombiniert werden, um die maximale Kraft \(y\) zu prognostizieren:

\[y = w_0\cdot x_0 + w_1\cdot x_1 + w_2\cdot x_2 + b.\]

Bei drei Merkmalen haben wir nicht nur die Steigung (für den Füllgrad), sondern auch die Steigungen für die Zellenform und die Zellengröße. Üblicherweise werden diese Koeffizienten Gewichte (englisch weight) genannt und mit \(w_0\), \(w_1\) und \(w_2\) abgekürzt.

Die Bestimmung der bestmöglichen Gewichte \(w_0\), \(w_1\), \(w_2\) und \(b\) überlassen wir diesmal dem Modul Scikit-Learn. Scikit-Learn ist eine bekanntesten Bibliotheken für das maschinelle Lernen und beinhaltet auch lineare Regressionsmodelle. Die linearen Regressionsmodelle sind dabei in einem Untermodul namens sklearn.linear_model gesammelt. Daraus importieren wir das lineare Regressionsmodell LinearRegression und instanziieren es als modell. Dann trainieren wir das lineare Regressionsmodell mit den Eingabe- und Ausgabedaten und benutzen dafür die die fit()-Methode. Wir verzichten auf eine Skalierung der Daten, da diese in derselben Größenordnung liegen und lassen auch den üblichen Split in Trainings- und Testdaten weg. Stattdessen übergeben wir zusätzlich über das optionale Argument sample_weights noch die Gewichte, so dass die Ähnlichkeit eines Datenpunktes zur Referenz bei der Bestimmung der Gewichte berücksichtigt wird.

from sklearn.linear_model import LinearRegression

modell = LinearRegression()
modell.fit(eingabedaten, ausgabedaten, sample_weight=gewichte)

LinearRegression()
In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

Mithilfe der score()-Methode lassen wir die Qualität des Modells bestimmen:

score = modell.score(eingabedaten, ausgabedaten)
print(score)

0.8904881638530242

Ein Score von 1 wäre perfekt, ungefähr 0.89 ist sehr gut. Wir haben daher ein White-Box-Ersatzmodell gefunden, das hilft, das ausgewählte Beispiel zu interpretieren.

Schritt 5: Erklärung der Prognose#

Als nächstes lassen wir uns die Gewichte \(w_0, w_1\) und \(w_2\) und den y-Achsenabschnitt \(b\) des linearen Regressionsmodells

\[y = w_0\cdot x_0 + w_1\cdot x_1 + w_2\cdot x_2 + b\]

ausgeben. Diese werden von Scikit-Learn im trainierten Modell im Attribut coef_ gespeichert.

print(modell.coef_)

[  0.          -2.45507152 635.33023841]

Dazu kommt noch der y-Achsenabschnitt \(b\), der im Attribut intercept_ gespeichert ist.

print(modell.intercept_)

-134.78663016846977

Insgesamt lautet das lineare Regressionsmodell also

\[y = 0\cdot x_0 -2.46\cdot x_1 + 635.33 \cdot x_2 - 134.79,\]

wobei \(y\) die maximale Kraft in Newton bezeichnet, \(x_0\) die Zellenform, \(x_1\) die Zellengröße und \(x_2\) den Füllgrad. Das Gewicht für die Zellenform ist \(0\), sie spielt bei unsererm Erklärmodell keine Rolle. Wir haben die Zellenform auch nicht variiert. Die Zellengröße hat einen leicht negativen Effekt, denn \(w_1\approx -2.46\). Der deutlich wichtigere Effekt ist jedoch der Füllgrad (\(w_2\approx 635.33\)). Selbst wenn wir berücksichtigen, dass die Füllgrade aus dem Intervall \([0.2, 0.45]\) Faktor 10 kleiner sind als die Zellengrößen aus dem Intervall \([2, 8]\), ist \(w_2\) um einiges gewichtiger als \(w_1\) und hat einen positiven Effekt. Je höher der Füllgrad ist, desto höher ist die prognostizierte maximale Kraft. Damit können wir Ingenieurinnen und Ingenieuren Hinweise geben, wie die Bauteile für die Schuheinlage konstruiert werden sollten.

Kategorien der erklärbaren KI-Modelle#

Bei dem obigen Beispiel des Schuheinlagen-Orakels haben wir die LIME-Methode benutzt, um das KI-Modell zu erklären. LIME steht dabei für »Local Interpretable Model-agnostic Explanations«. Allein diese Begrifflichkeiten deuten schon an, dass es viele verschiedene Möglichkeiten gibt, KI-Modelle zu erklären. Beispielsweise werden Erklärkonzepte nach ihrem Umfang unterschieden. Lokale Modelle erklären, wie die Entscheidungslogik des KI-Modells für ein einzelnes Beispiel zustandekommt und was für Datenpunkte in der unmittelbaren Nachbarschaft prognostiziert werden würde. Dem gegenüber stehen globale Modelle, die einen Einblick in die Gesamtstruktur und Funktionsweise eines KI-Modells geben.

Ein weiteres Unterscheidungsmerkmal von erklärbaren KI-Modellen ist die Modellabhängigkeit. Funktioniert die Methode für jedes KI-Modell, ist das erklärbare KI-Modell als unabhängig vom Originalmodell, so nennt man die Methode modellagnostisch. Das Gegenteil von modellagnostisch ist modellspezifisch. Bei modellspezifischen Methoden ist die Erklärmethode auf ein bestimmtes KI-Modell zugeschnitten. Ein typischer Vertreter dieser Kategorie ist die Analyse der sogenannten Feature Importance bei Random Forests.

Es gibt noch einige weitere Unterscheidungsmerkmale. In diesem Kapitel gehen wir noch auf die Komplexität ein, bei der zwischen intrinsischen Modellen und Post-hoc-Methoden unterschieden wird. Intrinsische Modelle sind von sich aus interpretierbar wie biespielsweise die lineare Regression oder Entscheidungsbäume. Dahingegen werden Post-hoc-Modelle nachträglich auf KI-Modelle angewendet, so wie wir im obigen Beispiel die Post-hoc-Methode LIME eingesetzt haben, um die Funktionsweise des Schuheinlagen-Orakels im Nachhinein zu erklären. Eine weitere sehr bekannte Post-hoc-Methode ist das SHAP-Verfahren.

Weiteres Lernmaterial zur Vertiefung#

Das Bundesministerium für Wirtschaft und Energie hat 2021 eine Studie Erklärbare KI herausgegeben, in der insbesondere auf Seite 5 eine »Orientierungshilfe für den Einsatz der gängigsten Strategien und Werkzeuge für erklärbare KI (XAI-Tools)« dargestellt wird. Darüber hinaus werden die wichtigsten Begriffe rund um das Thema »Erklärbarkeit von KI-Modellen« eingeführt.

Florian Rottach hat unter seinem Alias DeepFindr die empfehlenswerte Playlist »Explainable AI explained!« auf YouTube veröffentlicht. Das folgende Video aus dieser Reihe erklärt LIME.

Video “LIME” von DeepFindr

Christoph Molnar hat ein Buch zu Erklärbarkeit von KI-Modellen geschrieben. Es trägt den Titel »Interpretable Machine Learning - A Guide for Making Black Box Models Explainable«, das LIME-Modell wird im Kapitel 9.2 beschrieben.

Zusammenfassung und Ausblick#

In diesem Kapitel haben wir die Erklärbarkeit von KI-Modellen untersucht. Nach einer Einführung in die Relevanz des Themas haben wir das populäre Post-hoc-Verfahren LIME kennengelernt, das universell einsetzbar ist und die Entscheidungslogik für einzelne Referenzbeispiele lokal interpretieren kann. Außerdem haben wir wichtige Kategorien der Erklärbarkeit von KI-Modellen betrachtet. Im nächsten Kapitel würden wir uns mit dem SHAP-Verfahren beschäftigen.

Contents